【机器学习】信息、信息熵、信息增益、增益率及基尼系数的概念总结

镰刀韭菜

于 2018-12-07 16:33:35 发布

阅读量4.1k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习与机器学习文章标签：机器学习信息增益信息熵增益率基尼系数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/84876426

深度学习与机器学习专栏收录该内容

103 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文总结了机器学习中重要的概念，包括信息、信息熵、信息增益、增益率和基尼系数。信息熵用于度量不确定性，信息增益衡量特征选择性，增益率则是C4.5决策树算法中的改进指标，而基尼系数被CART决策树用于选择划分属性。这些概念在构建决策树模型时起到关键作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

信息、信息熵、信息增益、增益率及基尼系数的概念总结

信息

信息是用来消除随机不确定性的东西。对于机器学习中的决策树而言，如果待分类的事物集合可以划分为多个类别当中，则第k类的信息可以定义如下：

$I(k)=-log_2({p_k})$

信息熵

信息熵是用来度量不确定性，当熵越大，k的不确定性越大，反之越小

假定当前样本集合D中第k类样本所占的比例为 $p_k (k=1,2,...,|y|)$ ，则D的信息熵定义为：

$Ent(D)=-\sum_{k=1}^{|y|}{p_klog_2 {p_k}}$

信息增益

了解本专栏

超级会员免费看

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

镰刀韭菜 看在我不断努力的份上，支持我吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。